Multimodal Large Language Model with Multi-Granularity Video Representation

💡 原文英文,约100词,阅读约需1分钟。
📝

内容提要

本研究提出Mavors框架,旨在解决多模态大语言模型在长视频理解中的计算效率与细粒度时空模式保持之间的矛盾。通过多粒度视频表示方法,显著提升了复杂运动和不同分辨率视频的时空推理性能。

🏷️

标签

➡️

继续阅读